论文部分内容阅读
节点重要性分析是在线社交网络领域的研究热点,节点重要性排序和核心节点发现是其重要的研究内容,前者旨在对所有网络节点进行重要性排序,后者则侧重于快速准确地筛选部分核心节点。在节点重要性排序方面,传统基于单一属性的节点重要性评估方法的区分度和准确性都表现不佳。近年来,研究者综合多种属性进行节点重要性排序,但这些研究大多忽略了不同属性对节点重要性影响的差别,导致区分度和准确性的提升有限。在核心节点发现方面,现有方法多从网络分解角度进行核心节点发现,但网络去环过程中删除的节点针对性不强,导致删除了大量多余节点,并且设定的中心性指标忽略了邻居节点间的连边对网络连通性的影响。本文提出一种基于位置和邻居信息的节点重要性排序算法。首先,该算法利用K-核分解过程中节点的迭代次数信息提高对节点位置重要性的区分能力。其次,该算法利用邻居节点的重要性进一步提高对网络边缘节点重要性的区分能力;最后,该算法采用熵权法合理设置位置重要性和邻居重要性的权重。实验结果表明,该算法具有较高的区分度、准确度和效率,且在不同结构的网络中均能保持较好的性能,相比其它算法能够快速有效地提供更合理的排序结果。本文提出一种基于近邻连边的核心节点发现算法。在节点删除阶段,该算法综合利用节点度值、邻居节点度值以及邻居节点间的连边等信息设定中心性指标,更加准确地评估节点对网络连通性的破坏能力;在节点放回阶段,该算法设计了更为合理的节点放回策略,确保得到更准确的核心节点集合。与传统方法相比,该算法无需设置任何参数,在不同规模和结构的网络中性能稳定,节点删除更有针对性,节点放回更合理,得到的核心节点集合更准确。